CN113239314A - 用于碳排放量预测的方法、装置、终端及计算机可读存储介质 - Google Patents

用于碳排放量预测的方法、装置、终端及计算机可读存储介质 Download PDF

Info

Publication number
CN113239314A
CN113239314A CN202110383975.7A CN202110383975A CN113239314A CN 113239314 A CN113239314 A CN 113239314A CN 202110383975 A CN202110383975 A CN 202110383975A CN 113239314 A CN113239314 A CN 113239314A
Authority
CN
China
Prior art keywords
carbon emission
model
data
information data
enterprise information
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202110383975.7A
Other languages
English (en)
Inventor
王磊
宋文乐
赵玮
邹磊
沈世林
郝翔宇
刘伟男
张广博
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
State Grid Hebei Electric Power Co Ltd
Cangzhou Power Supply Co of State Grid Hebei Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid Hebei Electric Power Co Ltd
Cangzhou Power Supply Co of State Grid Hebei Electric Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, State Grid Hebei Electric Power Co Ltd, Cangzhou Power Supply Co of State Grid Hebei Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202110383975.7A priority Critical patent/CN113239314A/zh
Publication of CN113239314A publication Critical patent/CN113239314A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P80/00—Climate change mitigation technologies for sector-wide applications
    • Y02P80/10—Efficient use of energy, e.g. using compressed air or pressurized fluid as energy carrier
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/80—Management or planning
    • Y02P90/84—Greenhouse gas [GHG] management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Marketing (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Pure & Applied Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Evolutionary Biology (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明适用于供电技术领域，提供了一种用于碳排放量预测的方法、用于碳排放量预测的装置、终端及计算机可读存储介质，所述用于碳排放量预测的方法包括：获取设定时间内的历史碳排放数据和企业信息数据，并根据所述历史碳排放数据和企业信息数据构建自回归滑动平均ARMA模型，获得碳排放量的线性预测模型；基于所述历史碳排放数据和所述线性预测模型的预测结果计算残差序列；根据残差序列和企业信息数据构建支持向量机SVM，获得碳排放量的非线性预测模型；将所述线性预测模型和所述非线性预测模型结合，获得碳排放量的目标预测模型。本发明能够实现区域工业规划和建设中的碳排放量的预测，为制定供电策略提供参考基础，提高供电效率。

Description

用于碳排放量预测的方法、装置、终端及计算机可读存储介质
技术领域
本发明属于供电技术领域，尤其涉及一种用于碳排放量预测的方法、装置、终端及计算机可读存储介质。
背景技术
目前，气候变暖是全世界所面临的重大环境问题，大多数科学家认为，人类活动所释放的二氧化碳是导致全球变暖最重要的温室气体，因此，碳排放问题已经受到了诸多关注。现有技术中在不同的领域建立了碳排放量预测模型，例如：物流业、汽车、制造业等领域。当前科技的不断进步，社会正处在快速工业化进程中，工业化进程脚步加快的同时，大气中二氧化碳含量不断升高，环境负担也进一步加重。因此，为避免工业发展加剧气候变暖，在进行区域工业规划和建设中精确的碳排放量预测成为重要依据。
然而，在实现本发明实施例的过程中，发现相关技术中至少存在如下问题：
现有碳排放预测方法思路单一、通用性不强，无法实现区域工业规划和建设中碳排放量的预测。
发明内容
有鉴于此，本发明提供了一种用于碳排放量预测的方法、装置、终端及计算机可读存储介质，能够实现区域工业规划和建设中的碳排放量的预测，为制定供电策略提供参考基础，提高供电效率。
本发明实施例的第一方面提供了一种用于碳排放量预测的方法，包括：
获取设定时间内的历史碳排放数据和企业信息数据，并根据所述历史碳排放数据和企业信息数据构建自回归滑动平均(ARMA，Autoregressive moving average model)模型，获得碳排放量的线性预测模型，其中，所述企业信息数据包括：企业用电量、所在区域规模以上工业增加值、所在区域资产投资、所在区域社会消费品零售总额、所在区域出口总值和纳税信息；
基于所述历史碳排放数据和所述线性预测模型的预测结果计算残差序列；
根据所述残差序列和所述企业信息数据构建支持向量机(SVM，Support VectorMachine)，获得碳排放量的非线性预测模型；
将所述线性预测模型和所述非线性预测模型结合，获得碳排放量的目标预测模型。
本发明实施例的第二方面提供了一种用于碳排放量预测的装置，包括：
线性处理模块，被配置为获取设定时间内的历史碳排放数据和企业信息数据，并根据所述历史碳排放数据和企业信息数据构建ARMA模型，获得碳排放量的线性预测模型；
计算模块，基于所述历史碳排放数据和所述线性预测模型的预测结果计算残差序列；
非线性处理模块，被配置为根据所述残差序列和所述企业信息数据构建SVM，获得碳排放量的非线性预测模型；
输出模块，被配置为将所述线性预测模型和所述非线性预测模型结合，获得碳排放量的目标预测模型。
本发明实施例的第三方面提供了一种终端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如任一项所述用于碳排放量预测的方法的步骤。
本发明实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如任一项所述用于碳排放量预测的方法的步骤。
本发明与现有技术相比存在的有益效果是：
本发明实施例结合ARMA模型和SVM模型对历史的碳排放数据和企业信息数据进行综合分析，其中，企业信息数据包含与碳排放量相关的多种参数，能够更宏观的分析碳排放相关数据，实现区域工业规划和建设中的碳排放量的预测，使经过分析得出的预测结果更精确，同时，为制定供电策略提供参考基础，提高供电效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一实施例提供的用于碳排放量预测的方法的实现流程图；
图2是本发明一实施例提供的用于碳排放量预测的装置的结构示意图；
图3是本发明实施例提供的终端的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图通过具体实施例来进行说明。
现有技术中在不同领域提供了碳放量的预测方法，但是不同领域的碳排量预测方案存在局限性，无法实现区域工业规划和建设中碳排放量的预测。另外，现有技术中多以ARMA模型进行碳排放量的预测，并将用电量作为参量进行碳排放量的预测，预测方法思路单一，且忽略了电量检测有误或电量检测电路出现故障等原因对测量结果的影响，预测结果不准确。
其中，ARMA模型对线性数据的处理较有优势，但是对非线性数据的信息较难捕捉，其预测只考虑时间序列本身的变化规律，几乎不考虑其它相关变量的变化情况，而现实中的时间序列受到众多非线性因素的影响且含有复杂的噪声，其确定的阶数和参数往往并非最优，从而导致预测精度不高。
SVM模型在解决非线性、小样本、高维数的模式识别方面具有良好的泛化能力，其得到的最优解具有全局性，解决了其它算法中无法避免的局部最优问题。
本发明则提供了一种基于ARMA模型和SVM模型的组合预测方法，构建组合模型，提高预测精确度。
参见图1，其示出了本发明一实施例提供的用于碳排放量预测的方法的实现流程图，包括如下步骤：
S101，获取设定时间内的历史碳排放数据和企业信息数据，并根据历史碳排放数据和企业信息数据构建ARMA模型，获得碳排放量的线性预测模型。其中，企业信息数据包括：企业用电量、所在区域规模以上工业增加值、所在区域资产投资、所在区域社会消费品零售总额、所在区域出口总值和纳税信息。
S102，基于历史碳排放数据和线性预测模型的预测结果计算残差序列。
S103，根据残差序列和企业信息数据构建SVM，获得碳排放量的非线性预测模型。
S104，将线性预测模型和非线性预测模型结合，获得碳排放量的目标预测模型。
在步骤S101中获取碳排放量的线性预测模型过程中，依据的参数包括：企业用电量、所在区域规模以上工业增加值、所在区域资产投资、所在区域社会消费品零售总额、所在区域出口总值和纳税信息，在本发明实施例中，将上述参数统称为企业信息数据。关于碳排放量的研究过程中，碳排放量与电量成线性关系，因此本发明在预测过程中采用企业用电量进行估计。另外，企业的纳税额、区域经济情况与企业实际产量成线性相关关系，与企业碳排放量也必然有关联关系，因此，本发明实施例中把上述数据放到一起进行碳排放量预测。本发明实施例通过多种企业信息数据进行碳排放量的预测，可以避免电量检测有误或者企业恶意窃电导致的碳排放量预测结果与实际排放量偏差大的问题。另外，本发明实施例还能够综合周边整体经济水平可以总体反映出企业发展情况，避免企业纳税存在逃税情况，做到多参数之间的互相验证。
在步骤S101中，获取的历史碳排放数据和企业信息数据为设定时间内的数据，保证有足够的样本数据进行碳排放量预测，同时，设定时间不宜过长，以数据之间关联性紧密，能够准确反映出各参数之间的关联关系。可选的，设定时间为6个月～48个月。可选的，设定时间为6个月、12个月、18个月、24个月、30个月或36个月。
由于在步骤S101中，利用ARMA模型对与碳排放量具有线性关系的数据的处理较有优势，但是难以捕捉非线性数据的信息，预测过程更多地考虑时间序列本身的变化规律，没有充分考虑到相关变量的变化情况，因此，步骤S101确定的阶数和参数无法达到最优化，仅依靠ARMA模型分析得出的碳排放量预测值精确度不够高。
在步骤S102中，基于历史碳排放数据和线性预测模型的预测结果计算残差序列，以用于在线性预测结果基础上，进一步的分析企业信息数据对碳排放量的非线性的影响。
在步骤S103中，通过SVM模型对残差序列和企业信息数据进行进一步的分析，弥补步骤S101中ARMA模型对碳排放量预测具有非线性影响的数据分析的不足，
在步骤S104中，将碳排放量的线性预测分为线性和非线性两个部分构成，通过步骤S101和S103分别发挥ARMA模型和SVM模型对线性模型和非线性模型处理的优势，将二者得出的碳排放量的预测结果进行结合，提高了预测结果的精确度。
本发明实施例结合ARMA模型和SVM模型对历史的碳排放数据和企业信息数据进行综合分析，其中，企业信息数据包含与碳排放量相关的多种参数，能够更宏观的分析碳排放相关数据，实现区域工业规划和建设中的碳排放量的预测，使经过分析得出的预测结果更精确，同时，为制定供电策略提供参考基础，提高供电效率。
在一些实施例中，步骤S101中，根据历史碳排放数据和企业信息数据构建ARMA模型，包括：
将历史碳排放数据和企业信息数据作为输入参数，代入如下模型：
Figure BDA0003014083950000061
其中，Lt为t时刻碳排放量的线性预测结果；Xt-i为t-i时刻的历史碳排放数据；at-i为t-i时刻的碳排放量预测误差项；p、q分别为自回归部分模型和移动平均部分模型的阶数；at为白噪声序列；
Figure BDA0003014083950000062
为自回归模型的系数；θj(1≤j≤q)是移动平均模型的系数。
在一些实施例中，步骤S101中根据历史碳排放数据和企业信息数据构建ARMA模型，获得碳排放量的线性预测模型，包括如下步骤：
将历史碳排放数据和企业信息数据划分为ARMA训练数集和ARMA验证数集；
将训练数集代入如下模型得出初始模型：
Figure BDA0003014083950000063
其中，Lt为t时刻碳排放量的线性预测结果；Xt-i为t-i时刻的历史碳排放数据；at-i为t-i时刻的碳排放量预测误差项；p、q分别为自回归部分模型和移动平均部分模型的阶数；at为白噪声序列；
Figure BDA0003014083950000064
为自回归模型的系数；θj(1≤j≤q)是移动平均模型的系数；
将验证数集代入初始模型，对初始模型进行验证，并选择一组超参数组合，以该超参数组合对应的模型作为目标线性预测模型。
可选的，以历史碳排放数据和企业信息数据中80％的数据作为ARMA训练数集，20％的数据作为ARMA验证数集。
在一些实施例中，步骤S101中根据历史碳排放数据和企业信息数据构建ARMA模型，获得碳排放量的线性预测模型，包括如下步骤：
将历史碳排放数据和企业信息数据划分为ARMA训练数集、ARMA验证数集和ARMA测试数集；将ARMA训练数集代入如下模型得出初始模型：
Figure BDA0003014083950000071
其中，Lt为t时刻碳排放量的线性预测结果；Xt-i为t-i时刻的历史碳排放数据；at-i为t-i时刻的碳排放量预测误差项；p、q分别为自回归部分模型和移动平均部分模型的阶数；at为白噪声序列；
Figure BDA0003014083950000072
为自回归模型的系数；θj(1≤j≤q)是移动平均模型的系数；
将ARMA验证数集代入初始模型，对初始模型进行验证，并选择多组超参数组合，以多组超参数组合对应的模型作为中间模型；
将ARMA测试数集分别代入各中间模型，确定出最优超参数组合，并以最优超参数组合对应的模型作为目标线性预测模型。
可选的，以历史碳排放数据和企业信息数据中70％的数据作为ARMA训练数集，20％的数据作为ARMA验证数集，10％的数据作为ARMA测试数集。
在一些实施例中，步骤S103中，根据残差序列和企业信息数据构建SVM，包括：
将所述残差序列和所述企业信息数据分为训练数集和测试数集；
以所述企业信息数据作为输入变量，所述残差序列作为输出变量，选取径向基函数RBF作为核函数，将所述训练数集中的数据代入如下模型：
Figure BDA0003014083950000073
其中，Nt为t时刻碳排放量的非线性预测结果；SVS为支持向量个数；αi为每个训练样本的拉格朗日系数；yi(-1或1)为向量标签；K(xi，x)为所选择影响碳排放量的RBF核函数；b0为偏置量；
选择满足设定条件的RBF核函数参数组合确定参数回归模型；
将测试集数据带入所述参数回归模型，并将满足测试条件的参数回归模型作为非线性结果预测模型。
其中，设定条件为RBF核参数为最优超参数。可选的，以残差序列和企业信息数据中80％的数据作为训练数集，20％的数据作为验证数集。
在步骤S103中，SVM分析过程中，核函数代替了传统线性方程中的线性量，将残差序列和企业信息数据映射到高维空间处理，选择合适的核函数以提高预测模型的性能和准确性。在完成核函数的选择后，计算核函数的最优核参数，随后对样本进行训练预测，建立SVM模型，求得相关参数，最终得到非线性预测结果Nt。
在一些实施例中，在前述任一实施例的基础上，在根据残差序列和企业信息数据构建SVM之前，还包括：对残差序列和企业信息数据进行归一化处理。可选的，归一化处理采用(0,1)标准化、Z-score标准化或Sigmoid函数等方式。
在一些实施例实施例中，基于如下公式对残差序列和企业信息数据进行归一化处理：
Figure BDA0003014083950000081
其中，xi为归一化前的数据；yi为归一化后的数据；max(x)为xi对应的参数数据中的最大值；min(x)为xi对应的参数数据中的最小值。
在归一化处理过程中，按照参数类型将数据依次代入上述公式进行归一化处理，以提高数据归一化效率。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
以下为本发明的装置实施例，对于其中未详尽描述的细节，可以参考上述对应的方法实施例。
图2示出了本发明实施例提供的用于碳排放量预测的装置的结构示意图，为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：
如图2所示，用于碳排放量预测的装置包括：线性处理模块201、计算模块202、非线性处理模块203和输出模块204。
其中，线性处理模块201，被配置为获取设定时间内的历史碳排放数据和企业信息数据，并根据历史碳排放数据和企业信息数据构建ARMA模型，获得碳排放量的线性预测模型，其中，企业信息数据包括：企业用电量、所在区域规模以上工业增加值、所在区域资产投资、所在区域社会消费品零售总额、所在区域出口总值和纳税信息。
计算模块202，被配置为基于历史碳排放数据和线性预测模型的预测结果计算残差序列。
非线性处理模块203，被配置为根据残差序列和企业信息数据构建SVM，获得碳排放量的非线性预测模型。
输出模块204，被配置为将线性预测模型和非线性预测模型结合，获得碳排放量的目标预测模型。
在一些实施例中，线性处理模块201，被配置为将历史碳排放数据和企业信息数据作为输入参数，代入如下模型：
Figure BDA0003014083950000091
其中，Lt为t时刻碳排放量的线性预测结果；Xt-i为t-i时刻的历史碳排放数据；at-i为t-i时刻的碳排放量预测误差项；p、q分别为自回归部分模型和移动平均部分模型的阶数；at为白噪声序列；
Figure BDA0003014083950000092
为自回归模型的系数；θj(1≤j≤q)是移动平均模型的系数。
在一些实施例中，线性处理模块201包括：数据划分模块、初始模型计算模块和验证模块。
其中，数据划分模块，被配置为将历史碳排放数据和企业信息数据划分为ARMA训练数集和ARMA验证数集。
初始模型计算模块，被配置为将ARMA训练数集代入如下模型得出初始模型：
Figure BDA0003014083950000101
其中，Lt为t时刻碳排放量的线性预测结果；Xt-i为t-i时刻的历史碳排放数据；at-i为t-i时刻的碳排放量预测误差项；p、q分别为自回归部分模型和移动平均部分模型的阶数；at为白噪声序列；
Figure BDA0003014083950000102
为自回归模型的系数；θj(1≤j≤q)是移动平均模型的系数。
验证模块，被配置为将ARMA验证数集代入初始模型，对初始模型进行验证，并选择一组超参数组合，以超参数组合对应的模型作为目标线性预测模型。
在一些实施例中，线性处理模块201包括：数据划分模块、初始模型计算模块和验证模块。
其中，数据划分模块，被配置为将历史碳排放数据和企业信息数据划分为ARMA训练数集、ARMA验证数集和ARMA测试数集。
初始模型计算模块，被配置为将ARMA训练数集代入如下模型得出初始模型：
Figure BDA0003014083950000103
其中，Lt为t时刻碳排放量的线性预测结果；Xt-i为t-i时刻的历史碳排放数据；at-i为t-i时刻的碳排放量预测误差项；p、q分别为自回归部分模型和移动平均部分模型的阶数；at为白噪声序列；
Figure BDA0003014083950000104
为自回归模型的系数；θj(1≤j≤q)是移动平均模型的系数；
验证模块，被配置为将ARMA验证数集代入初始模型，对初始模型进行验证，并选择多组超参数组合，以多组超参数组合对应的模型作为中间模型；
测试模块，被配置为将ARMA测试数集分别代入各中间模型，确定出最优超参数组合，并以最优超参数组合对应的模型作为目标线性预测模型。
在一些实施例中，非线性处理模块203包括：分集模块、代入模块、确定模块和校验模块。
其中，分集模块，被配置为将所述残差序列和所述企业信息数据分为训练数集和测试数集；
代入模块，被配置为以所述企业信息数据作为输入变量，所述残差序列作为输出变量，选取径向基函数RBF作为核函数，将所述训练数集中的数据代入如下模型：
Figure BDA0003014083950000111
其中，Nt为t时刻碳排放量的非线性预测结果；SVS为支持向量个数；αi为每个训练样本的拉格朗日系数；yi(-1或1)为向量标签；K(xi，x)为所选择影响碳排放量的RBF核函数；b0为偏置量；
确定模块，被配置为选择满足设定条件的RBF核函数参数组合确定参数回归模型；
校验模块，被配置为将测试集数据带入所述参数回归模型，并将满足测试条件的参数回归模型作为非线性结果预测模型。
在一些实施例中，用于碳排放量预测的装置还包括：归一化模块，被配置为在非线性处理模块203之前对残差序列和企业信息数据进行归一化处理。
本发明实施例结合ARMA模型和SVM模型对历史的碳排放数据和企业信息数据进行综合分析，其中，企业信息数据包含与碳排放量相关的多种参数，能够更宏观的分析碳排放相关数据，实现区域工业规划和建设中的碳排放量的预测，使经过分析得出的预测结果更精确，同时，为制定供电策略提供参考基础，提高供电效率。
图3是本发明一实施例提供的终端的示意图。如图3所示，该实施例的终端3包括：处理器30、存储器31以及存储在所述存储器31中并可在所述处理器30上运行的计算机程序32。所述处理器30执行所述计算机程序32时实现上述各个用于碳排放量预测的方法实施例中的步骤，例如图1所示的步骤S101至步骤S103。或者，所述处理器30执行所述计算机程序32时实现上述各装置实施例中各模块/单元的功能，例如图2所示模块201至204的功能。
示例性的，所述计算机程序32可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器31中，并由所述处理器30执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序32在所述终端3中的执行过程。例如，所述计算机程序32可以被分割成线性处理模块、计算模块、非线性处理模块和输出模块，各模块具体功能如下：
线性处理模块，被配置为获取设定时间内的历史碳排放数据和企业信息数据，并根据历史碳排放数据和企业信息数据构建ARMA模型，获得碳排放量的线性预测模型，其中，企业信息数据包括：企业用电量、所在区域规模以上工业增加值、所在区域资产投资、所在区域社会消费品零售总额、所在区域出口总值和纳税信息；
计算模块，基于历史碳排放数据和线性预测模型的预测结果计算残差序列；
非线性处理模块，被配置为根据残差序列和企业信息数据构建SVM，获得碳排放量的非线性预测模型；
输出模块，被配置为将线性预测模型和非线性预测模型结合，获得碳排放量的目标预测模型。
所述终端3可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端可包括，但不仅限于，处理器30、存储器31。本领域技术人员可以理解，图3仅仅是终端3的示例，并不构成对终端3的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端还可以包括输入输出设备、网络接入设备、总线等。
所称处理器30可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器31可以是所述终端3的内部存储单元，例如终端3的硬盘或内存。所述存储器31也可以是所述终端3的外部存储设备，例如所述终端3上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器31还可以既包括所述终端3的内部存储单元也包括外部存储设备。所述存储器31用于存储所述计算机程序以及所述终端所需的其他程序和数据。所述存储器31还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种用于碳排放量预测的方法，其特征在于，包括：
获取设定时间内的历史碳排放数据和企业信息数据，并根据所述历史碳排放数据和企业信息数据构建自回归滑动平均ARMA模型，获得碳排放量的线性预测模型；
基于所述历史碳排放数据和所述线性预测模型的预测结果计算残差序列；
根据所述残差序列和所述企业信息数据构建支持向量机SVM，获得碳排放量的非线性预测模型；
将所述线性预测模型和所述非线性预测模型结合，获得碳排放量的目标预测模型。
2.根据权利要求1所述的方法，其特征在于，所述根据历史碳排放数据和企业信息数据构建ARMA模型，包括：
将所述历史碳排放数据和所述企业信息数据作为输入参数，代入如下模型：
Figure FDA0003014083940000011
其中，Lt为t时刻碳排放量的线性预测结果；Xt-i为t-i时刻的历史碳排放数据；at-i为t-i时刻的碳排放量预测误差项；p、q分别为自回归部分模型和移动平均部分模型的阶数；at为白噪声序列；
Figure FDA0003014083940000012
为自回归模型的系数；θj(1≤j≤q)是移动平均模型的系数。
3.根据权利要求1所述的方法，其特征在于，所述根据所述残差序列和所述企业信息数据构建SVM，包括：
将所述残差序列和所述企业信息数据分为训练数集和测试数集；
以所述企业信息数据作为输入变量，所述残差序列作为输出变量，选取径向基函数RBF作为核函数，将所述训练数集中的数据代入如下模型：
Figure FDA0003014083940000013
其中，Nt为t时刻碳排放量的非线性预测结果；SVS为支持向量个数；αi为每个训练样本的拉格朗日系数；yi(-1或1)为向量标签；K(xi，x)为所选择影响碳排放量的RBF核函数；b0为偏置量；
选择满足设定条件的RBF核函数参数组合确定参数回归模型；
将测试集数据带入所述参数回归模型，并将满足测试条件的参数回归模型作为非线性结果预测模型。
4.根据权利要求1至3任一项所述的方法，其特征在于，所述将所述线性预测模型和所述非线性预测模型结合，包括：
将所述线性预测模型和所述非线性预测模型相加。
5.根据权利要求1至3任一项所述的方法，其特征在于，在所述根据所述残差序列和所述企业信息数据构建支持向量机SVM之前，还包括：
对所述残差序列和所述企业信息数据进行归一化处理。
6.根据权利要求5所述的方法，其特征在于，基于如下公式对所述残差序列和所述企业信息数据进行归一化处理：
Figure FDA0003014083940000021
其中，xi为归一化前的数据；yi为归一化后的数据；max(x)为xi对应的参数数据中的最大值；min(x)为xi对应的参数数据中的最小值。
7.根据权利要求4至6任一项所述的方法，其特征在于，所述所述企业信息数据包括：企业用电量、所在区域规模以上工业增加值、所在区域资产投资、所在区域社会消费品零售总额、所在区域出口总值和纳税信息。
8.一种用于碳排放量预测的装置，其特征在于，包括：
线性处理模块，被配置为获取设定时间内的历史碳排放数据和企业信息数据，并根据所述历史碳排放数据和企业信息数据构建ARMA模型，获得碳排放量的线性预测模型；
计算模块，基于所述历史碳排放数据和所述线性预测模型的预测结果计算残差序列；
非线性处理模块，被配置为根据所述残差序列和所述企业信息数据构建SVM，获得碳排放量的非线性预测模型；
输出模块，被配置为将所述线性预测模型和所述非线性预测模型结合，获得碳排放量的目标预测模型。
9.一种终端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上的权利要求1至6中任一项所述用于碳排放量预测的方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上的权利要求1至6中任一项所述用于碳排放量预测的方法的步骤。
CN202110383975.7A 2021-04-09 2021-04-09 用于碳排放量预测的方法、装置、终端及计算机可读存储介质 Pending CN113239314A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110383975.7A CN113239314A (zh) 2021-04-09 2021-04-09 用于碳排放量预测的方法、装置、终端及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110383975.7A CN113239314A (zh) 2021-04-09 2021-04-09 用于碳排放量预测的方法、装置、终端及计算机可读存储介质

Publications (1)

Publication Number Publication Date
CN113239314A true CN113239314A (zh) 2021-08-10

Family

ID=77127872

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110383975.7A Pending CN113239314A (zh) 2021-04-09 2021-04-09 用于碳排放量预测的方法、装置、终端及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN113239314A (zh)

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113705936A (zh) * 2021-10-26 2021-11-26 国网浙江省电力有限公司 基于碳循环的能源配置方法、装置及存储介质
CN113723685A (zh) * 2021-08-31 2021-11-30 神彩科技股份有限公司 一种危废产生量确定方法、装置、设备及存储介质
CN113762607A (zh) * 2021-08-26 2021-12-07 甘肃同兴智能科技发展有限责任公司 一种电网企业碳排放量的预测方法
CN114091980A (zh) * 2022-01-14 2022-02-25 国网浙江省电力有限公司 基于分布式监测的碳排放量计算方法、装置及存储介质
CN114444777A (zh) * 2021-12-31 2022-05-06 特斯联科技集团有限公司 用于车辆碳排量识别的人工智能模型应用系统
CN114519451A (zh) * 2021-12-26 2022-05-20 特斯联科技集团有限公司 智能化孤岛型园区车辆碳排量预测方法和系统
CN114707774A (zh) * 2022-06-07 2022-07-05 山东科技大学 一种基于交通运输的碳排放量预测方法及设备
CN115659845A (zh) * 2022-12-08 2023-01-31 江苏擎天工业互联网有限公司 一种基于电力数据的碳排放计算方法及装置
CN116187788A (zh) * 2023-05-04 2023-05-30 江苏智能低碳科技发展有限公司 用于厂区的能碳管理算法应用平台
CN116229607A (zh) * 2023-05-09 2023-06-06 深圳市城市交通规划设计研究中心股份有限公司 一种机动车行驶碳排放的预测方法、电子设备及存储介质
CN116307298A (zh) * 2023-05-23 2023-06-23 中国石油大学(华东) 一种基于多源异构张量数据的组合碳排放预测模型
CN117217353A (zh) * 2023-07-27 2023-12-12 华能核能技术研究院有限公司 基于支持向量机的高温气冷堆石墨粉尘量预测方法及系统
WO2024060539A1 (zh) * 2022-09-23 2024-03-28 广东邦普循环科技有限公司 动力电池的年度碳排放量估算方法及装置
CN117933497A (zh) * 2024-03-22 2024-04-26 华北理工大学 一种基于tsa-arima-cnn的企业碳排放预测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170185902A1 (en) * 2015-12-29 2017-06-29 Tata Consultancy Services Limited System and method for predicting response time of an enterprise system
CN108846526A (zh) * 2018-08-08 2018-11-20 华北电力大学 一种二氧化碳排放量预测方法
CN110533256A (zh) * 2019-09-05 2019-12-03 天津华春智慧能源科技发展有限公司 一种需求侧供热负荷的预测方法
CN110874802A (zh) * 2018-09-03 2020-03-10 苏文电能科技股份有限公司 一种基于arma和svm模型组合的用电量预测方法
CN111445060A (zh) * 2020-03-06 2020-07-24 华南理工大学珠海现代产业创新研究院 一种社区碳排放监测和预测系统及方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170185902A1 (en) * 2015-12-29 2017-06-29 Tata Consultancy Services Limited System and method for predicting response time of an enterprise system
CN108846526A (zh) * 2018-08-08 2018-11-20 华北电力大学 一种二氧化碳排放量预测方法
CN110874802A (zh) * 2018-09-03 2020-03-10 苏文电能科技股份有限公司 一种基于arma和svm模型组合的用电量预测方法
CN110533256A (zh) * 2019-09-05 2019-12-03 天津华春智慧能源科技发展有限公司 一种需求侧供热负荷的预测方法
CN111445060A (zh) * 2020-03-06 2020-07-24 华南理工大学珠海现代产业创新研究院 一种社区碳排放监测和预测系统及方法

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113762607A (zh) * 2021-08-26 2021-12-07 甘肃同兴智能科技发展有限责任公司 一种电网企业碳排放量的预测方法
CN113762607B (zh) * 2021-08-26 2023-05-30 甘肃同兴智能科技发展有限责任公司 一种电网企业碳排放量的预测方法
CN113723685A (zh) * 2021-08-31 2021-11-30 神彩科技股份有限公司 一种危废产生量确定方法、装置、设备及存储介质
CN113705936A (zh) * 2021-10-26 2021-11-26 国网浙江省电力有限公司 基于碳循环的能源配置方法、装置及存储介质
CN114519451A (zh) * 2021-12-26 2022-05-20 特斯联科技集团有限公司 智能化孤岛型园区车辆碳排量预测方法和系统
CN114519451B (zh) * 2021-12-26 2022-08-02 特斯联科技集团有限公司 智能化孤岛型园区车辆碳排量预测方法和系统
CN114444777B (zh) * 2021-12-31 2022-12-02 特斯联科技集团有限公司 用于车辆碳排量识别的人工智能模型应用系统
CN114444777A (zh) * 2021-12-31 2022-05-06 特斯联科技集团有限公司 用于车辆碳排量识别的人工智能模型应用系统
CN114091980B (zh) * 2022-01-14 2022-04-26 国网浙江省电力有限公司 基于分布式监测的碳排放量计算方法、装置及存储介质
CN114091980A (zh) * 2022-01-14 2022-02-25 国网浙江省电力有限公司 基于分布式监测的碳排放量计算方法、装置及存储介质
CN114707774B (zh) * 2022-06-07 2022-08-26 山东科技大学 一种基于交通运输的碳排放量预测方法及设备
CN114707774A (zh) * 2022-06-07 2022-07-05 山东科技大学 一种基于交通运输的碳排放量预测方法及设备
WO2024060539A1 (zh) * 2022-09-23 2024-03-28 广东邦普循环科技有限公司 动力电池的年度碳排放量估算方法及装置
CN115659845A (zh) * 2022-12-08 2023-01-31 江苏擎天工业互联网有限公司 一种基于电力数据的碳排放计算方法及装置
CN116187788A (zh) * 2023-05-04 2023-05-30 江苏智能低碳科技发展有限公司 用于厂区的能碳管理算法应用平台
CN116229607A (zh) * 2023-05-09 2023-06-06 深圳市城市交通规划设计研究中心股份有限公司 一种机动车行驶碳排放的预测方法、电子设备及存储介质
CN116307298A (zh) * 2023-05-23 2023-06-23 中国石油大学(华东) 一种基于多源异构张量数据的组合碳排放预测模型
CN116307298B (zh) * 2023-05-23 2023-08-18 中国石油大学(华东) 一种基于多源异构张量数据的组合碳排放预测方法
CN117217353A (zh) * 2023-07-27 2023-12-12 华能核能技术研究院有限公司 基于支持向量机的高温气冷堆石墨粉尘量预测方法及系统
CN117933497A (zh) * 2024-03-22 2024-04-26 华北理工大学 一种基于tsa-arima-cnn的企业碳排放预测方法

Similar Documents

Publication Publication Date Title
CN113239314A (zh) 用于碳排放量预测的方法、装置、终端及计算机可读存储介质
CN109858740B (zh) 企业风险的评估方法、装置、计算机设备及存储介质
Hewamalage et al. Global models for time series forecasting: A simulation study
CN110764993A (zh) 自动化测试方法及终端设备
CN111932367A (zh) 贷前信用评估方法及装置
CN114414935A (zh) 基于大数据的配电网馈线故障区域自动化定位方法和系统
Tung et al. Binary classification and data analysis for modeling calendar anomalies in financial markets
CN111524015A (zh) 训练预测模型的方法、装置、计算机设备及可读存储介质
CN102713974B (zh) 学习装置、识别装置、学习识别系统和学习识别装置
CN114970357A (zh) 节能效果评价方法、系统、装置及存储介质
CN111339157A (zh) 一种配电网日运行效率计算及预测方法、系统及设备
CN117314233A (zh) 供应商评价方法、装置、终端设备及介质
CN115471098B (zh) 碳排放量获取方法、装置、计算机设备和存储介质
CN116402528A (zh) 电力数据处理系统
Qiuxia et al. The Application of Internet of Things Data Analysis in the Development of International Trade
CN112308295B (zh) 违约概率预测方法及装置
CN117078112B (zh) 应用于企业异常用电管理的能耗检测方法及数据分析系统
Morgoev et al. Algorithm for Operational Detection of Abnormally Low Electricity Consumption in Distribution
CN117435870B (zh) 一种负荷数据实时填充方法、系统、设备和介质
CN113256323A (zh) 目标对象的价格预测方法、装置及终端
KR20230093938A (ko) 명시적 특성 상호작용을 학습하는 신경망 모델을 활용하는 전자 장치
CN118132091A (zh) 业务模型的处理方法、装置、计算机设备和存储介质
Chahine Comparative Analysis of ARIMA and LSTM Models for Predicting Electricity Consumption, Electricity Price and Stock Prices: A Case Study of Victoria, Australia
CN118196567A (zh) 基于大语言模型的数据评价方法、装置、设备及存储介质
CN116822739A (zh) 中长期售电量预测方法、装置、终端及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210810